预测有效波高的深度学习模型研究

研究基于RNN、LSTM、GRU深度学习模型,针对NOAA浮标数据集中的44013、44014、44017浮标的数据,通过斯皮尔曼相关性分析提高模型预测效果。实验结果表明,在进行相关性分析后,S-RNN、S-LSTM、 S-GRU的预测效果均比原始RNN、LSTM、GRU模型预测效果好。此外,提出一种基于LSTM的LSTM-Attention 波高预测模型,并进行相关实验,量化LSTM-Attention模型的预测效果,实验结果表明LSTM-Attention模型有更好的预测效果。为评估模型的泛化能力,研究还提出了一种采用邻近浮标数据进行学习,预测浮标缺失数据的方 法。实验结果表明,该方法的预测精度可以达到97.93%。本研究为海浪预测提供了新的方法和思路,也为未来深 度学习模型在海浪预测中的应用提供了参考。     

可解释性长短期记忆模型用于预测湖泊总磷浓度变化

对湖泊总磷的变化预测和来源识别对水资源调度和流域生态治理有着重要的意义,然而复杂的生化反应和水动力条件导致的非平稳性给湖泊总磷浓度的准确预测带来极大的困难。为克服这一挑战,本文引入了基于加权回归的季节趋势分解(seasonal and trend decomposition using Loess,STL)技术和夏普利加法(SHapley additive exPlanations,SHAP)结合长短期记忆网络(long short-term memory neural network,LSTM)和门控循环单元(gated recurrent unit,GRU)构建了一个可解释的预测框架,以增强对湖泊总磷浓度演变的预测并提高其可解释性。研究表明:(1)在骆马湖总磷浓度的预测中,该框架拥有较好的预报精度(R²=0.878),优于LSTM和卷积长短期记忆模型(convolutional neural networks and long short term memory network,CNN-LSTM)。当预测时间步长增加到8 h时,该框架有效提高了总磷浓度的预测精度,平均相对误差和均方根误差分别降低了47.1%和33.3%。从预测趋势来看,骆马湖在汛期的总磷平均浓度为0.158 mg/L,相较于非汛期的平均浓度,增加了202.1%。(2)运河来水是骆马湖总磷浓度最重要的影响因素,贡献权重为60.0%,并且不同断面(三湾、三场)的污染源受水动力、气象等因素的影响存在显著的时空差异。本文凸显了神经网络模型在预警水体污染方面的可实施性,并且为提高传统神经网络的学习能力和可解释性的开发与验证提供了重要方向。     

地形对水平岩层自重成因地应力场的影响

通过极坐标系下的艾里应力函数法,求解出在集中力作用下水平岩层中各应力分量。山体对其下伏岩层可作为分布载荷,对集中力作用下水平岩层中各应力分量积分,便求得山体对下伏水平岩层的附加应力。已有研究成果表明,当由外载引起的附加应力小于由重力引起的静止侧压力的20%时,则可以不考虑外载的影响,这样便导出了地形对自重应力影响深度所满足的函数关系式。此外,本文举例说明了如何求得地形对水平均质各向同性水平岩层的自重应力场的影响深度。     

基于深度学习的乱占耕地建房疑似图斑自动提取方法研究

为实现农村乱占耕地建房问题“早发现、早制止、早查处”,本文提出一种基于深度学习的乱占耕地建房疑似图斑自动提取方法,利用高分辨率遥感影像解译模型,结合第三次国土调查成果耕地数据,快速识别乱占耕地建房疑似图斑。最后以江苏省某县级市为例开展实验,实验表明：该方法提取结果准确率高、用时少,可为耕地保护、督察执法提供重要支撑。     

论山西褐土区农田土壤干燥化问题

以山西褐土区离石、忻州、太原、寿阳、临猗等地玉米、小麦农田为主要研究对象,选取5个代表性样点12个剖面采集0~600cm深度土壤样品,研究分析不同季节土壤垂直剖面水分状况。结果表明,该区玉米、小麦等农田中普遍存在土壤干层,轻度和中度干层都有显现;季节性干层的存在是该地区农作物易于发生干旱灾害的主要原因;晋中玉米地轻度干层发育到了600cm以下;晋南由于长期气候干旱,导致干燥化程度加重,轻度土壤干燥化也已发育到了600cm;晋西玉米地400cm接近轻度干化,晋北玉米地轻度干层也已达到600cm深度。农田季节性干层、深层土壤干层的出现严重影响了农田土壤的水循环;降水量少是本区农田干层产生的主要原因,但农田生产力提高、植被密度和蒸发对临时性干层形成的影响也不可忽视;选择低耗水、深根系的旱地作物,同时合理密植、有条件的地方实施灌溉等都是减缓农田干层的有效途径。     

五里湖南岸生态示范工程对水下光场的改善效果研究

2004年7月20日在五里湖南岸生态示范工程区共布设9个采样点进行水下光场的测定,并采集水样分析悬浮物、叶绿素a、DOC浓度和各组分吸收系数。结果表明,3类主要光衰减物质总悬浮物、叶绿素a和DOC的浓度分别为5.1~38.7 mg/L、25.5~86.4μg/L和7.43~8.74 mg/L;生态示范工程能明显降低水体悬浮物和叶绿素a浓度,Ⅱ类区总悬浮物、叶绿素a浓度相对Ⅰ类区分别降低了53.4%、33.0%,而Ⅲ类区总悬浮物、叶绿素a浓度相对Ⅰ类区分别降低了77.4%、65.0%。光合有效辐射(PAR)衰减系数在1.81~4.93 m-1间变化,对应的真光层深度为0.93~2.54 m,Ⅱ、Ⅲ类区相对Ⅰ类区PAR衰减系数分别降低了42.2%、52.8%,对应的真光层深度则分别增加了73%、112%。a_g(440)、a_d(440)、a_ph(440)的变化范围分别为0.79~1.31 m-1、0.41~2.22 m-1、0.73~2.12 m-1。纯水对总吸收的贡献均在15%以下,有色可溶性有机物(CDOM)吸收对总吸收的贡献率在18.16%~40.28%间变化,非藻类颗粒物对总吸收的贡献率在14.40%~37.88%间变化,浮游藻类对总吸收系数的贡献率基本上是各组分贡献率中最高的,在31.05%~45.28%间变化。对PAR衰减系数、真光层深度、透明度等表观光学参数与主要水色因子进行相关分析发现,水体中浮游藻类和有机颗粒物对生态示范区内的水体光学性质影响最大,而围隔外围浮游藻类、非藻类颗粒物对光的衰减相当。     

基于地形特征融合的卷积神经网络滑坡识别

滑坡严重威胁着人民群众的生命财产安全。完整、准确的滑坡编录图是研究滑坡的重要资料。深度卷积神经网络方法由于众多优势而备受关注,然而卷积神经网络结构复杂,需要大量的训练样本,制约了其在滑坡制图上的发展。提出了融合地形特征的卷积神经网络建模方法。首先在遥感影像上叠加地形因子构建新的滑坡样本,然后设计提取并融合空间与光谱特征的轻量级卷积神经网络(FF-CNN),最后训练最优模型进行滑坡识别。在四川汶川地区进行的消融实验证明：在空间特征基础上融合光谱特征的FF-CNN模型滑坡识别评价指标F1分数和平均交并比(MIoU)分别提高0.020 2和0.014 4;在遥感影像上叠加地形因子后,FF-CNN模型滑坡识别评价指标F1分数和MIoU值分别提高0.066 4和0.048 2。在湖北省三峡库区和四川省都江堰市虹口乡的实验说明FF-CNN模型表现出较强的适用性和迁移能力,在滑坡识别上具有较大潜力。     

新疆乌鲁木齐地区震源深度分布与断层关系研究

采用新疆维吾尔自治区地震局精度较高的常规地震目录和双差定位目录,对乌鲁木齐地区震源深度的分布特征及与断层的关系进行了研究。结果表明,乌鲁木齐地区的平均震源深度随震级的增加而加深,并形成3个分布层。震源绝大多数分布在上地壳1～35km深度范围内,优势集中在上地壳16～25km深度范围内。平均震源深度的空间分布特征与断层的展布密切相关,乌鲁木齐市附近的3组断裂所夹持的地块震源深度最浅,深度处于17～21km之间,而在周边一些深大断裂上震源深度较深。不同构造部位的震源深度剖面显示,清水河子断裂、齐古断裂、依连哈比尔尕等断裂的断裂面处于无震蠕滑或闭锁状态,地震主要发生在其下的滑脱层中;而在霍尔果斯、西山、二道沟等断裂上,震源深度从滑脱层延伸到断裂面上,反映出断裂未完全闭锁时的弱运动状态,显示这些断裂为新的活动断裂。震源深度的分布还与乌鲁木齐地区复杂的地壳结构有关,地震多分布在低速体之上或低速体和高速体之间的夹层中     

基于CSAMT电场分量的电性标志层深度校正技术及应用

可控源音频大地电磁(CSAMT)是探测含煤地层富水区及采空区的重要地球物理方法,但其探测深度误差比较大,采用电性标志层进行深度校正,达到精确解释地层的目的.首先,提出基于电场单分量视电阻率计算方法,只需通过平移即可获得全区视电阻率,无需迭代,简单快速.接着,分析视电阻率微分极值与电性标志层的关系,通过测井电阻率曲线识别...     

基于深度学习的西沙永乐群岛珊瑚礁遥感信息提取

珊瑚礁是海洋生态系统的重要组成部分,对保护海洋生物多样性以及维持海洋生态平衡具有重大意义。我国南海珊瑚岛礁自然资源丰富,准确、高效地提取珊瑚岛礁信息对南海岛礁监测、管理、规划与保护具有现实意义。本研究基于我国海洋一号C卫星(HY-1C)遥感数据,对西沙永乐群岛珊瑚礁信息进行了研究与分析,提出基于HY-1C遥感数据的珊瑚礁地貌分类体系。采用全卷积神经网络U-Net模型,依次通过下采样、上采样操作提取西沙永乐环礁地貌特征,实现原始影像的像素级语义分割。结果表明：基于HY-1C数据建立的地貌分类体系对活珊瑚覆盖及珊瑚生长发育条件具有指示作用,提出的基于U-Net模型的珊瑚岛礁地貌信息自动提取方法,能够为我国南海珊瑚岛礁生态系统的全自动、大范围监测和评价提供相应理论基础,在珊瑚礁生态管理与评价中发挥关键作用。精度验证结果表明：U-Net模型可以有效提取珊瑚礁地貌信息,采用的地貌信息提取方法具备时空泛化能力,泛化精度高于80%。